Análisis Conjunto

i
IBM SPSS Conjoint 19
Note: Before using this information and the product it supports, read the general information under Notices el p. 41. This document contains proprietary information of SPSS Inc, an IBM Company. It is provided under a license agreement and is protected by copyright law. The information contained in this publication does not include any product warranties, and any statements provided in this manual should not be interpreted as such. When you send information to IBM or SPSS, you grant IBM and SPSS a nonexclusive right to use or distribute the information in any way it believes appropriate without incurring any obligation to you.
Copyright SPSS Inc. 1989, 2010.
Prefacio
IBM SPSS Statistics es un sistema global para el anlisis de datos. El mdulo adicional opcional Conjunto proporciona las tcnicas de anlisis adicionales que se describen en este manual. El mdulo adicional Conjunto se debe utilizar con el sistema bsico de SPSS Statistics y est completamente integrado en dicho sistema.
Acerca de SPSS Inc., an IBM Company

SPSS Inc., an IBM Company, es uno de los principales proveedores globales de software y soluciones de anlisis predictivo. La gama completa de productos de la empresa (recopilacin de datos, anlisis estadstico, modelado y distribucin) capta las actitudes y opiniones de las personas, predice los resultados de las interacciones futuras con los clientes y, a continuacin, acta basndose en esta informacin incorporando el anlisis en los procesos comerciales. Las soluciones de SPSS Inc. tratan los objetivos comerciales interconectados en toda una organizacin centrndose en la convergencia del anlisis, la arquitectura de TI y los procesos comerciales. Los clientes comerciales, gubernamentales y acadmicos de todo el mundo confan en la tecnologa de SPSS Inc. como ventaja ante la competencia para atraer, retener y hacer crecer los clientes, reduciendo al mismo tiempo el fraude y mitigando los riesgos. SPSS Inc. fue adquirida por IBM en octubre de 2009. Para obtener ms informacin, visite http://www.spss.com.
Asistencia tcnica
El servicio de asistencia tcnica est a disposicin de todos los clientes de mantenimiento. Los clientes podrn ponerse en contacto con este servicio de asistencia tcnica si desean recibir ayuda sobre la utilizacin de los productos de SPSS Inc. o sobre la instalacin en alguno de los entornos de hardware admitidos. Para ponerse en contacto con el servicio de asistencia tcnica, consulte el sitio web de SPSS Inc. en http://support.spss.com o encuentre a su representante local a travs del sitio web http://support.spss.com/default.asp?refpage=contactus.asp. Tenga a mano su identicacin, la de su organizacin y su contrato de asistencia cuando solicite ayuda.
Servicio de atencin al cliente

Si tiene cualquier duda referente a la forma de envo o pago, pngase en contacto con su ocina local, que encontrar en el sitio Web en http://www.spss.com/worldwide. Recuerde tener preparado su nmero de serie para identicarse.
Copyright SPSS Inc. 1989, 2010
iii
Cursos de preparacin
SPSS Inc. ofrece cursos de preparacin, tanto pblicos como in situ. Todos los cursos incluyen talleres prcticos. Los cursos tendrn lugar peridicamente en las principales ciudades. Si desea obtener ms informacin sobre estos cursos, pngase en contacto con su ocina local que encontrar en el sitio Web en http://www.spss.com/worldwide.
Publicaciones adicionales
Los documentos SPSS Statistics: Guide to Data Analysis, SPSS Statistics: Statistical Procedures Companion y SPSS Statistics: Advanced Statistical Procedures Companion, escritos por Marija Noruis y publicados por Prentice Hall, estn disponibles y se recomiendan como material adicional. Estas publicaciones cubren los procedimientos estadsticos del mdulo SPSS Statistics Base, el mdulo Advanced Statistics y el mdulo Regression. Tanto si da sus primeros pasos en el anlisis de datos como si ya est preparado para las aplicaciones ms avanzadas, estos libros le ayudarn a aprovechar al mximo las funciones ofrecidas por IBM SPSS Statistics. Si desea informacin adicional sobre el contenido de la publicacin o muestras de captulos, consulte el sitio web de la autora: http://www.norusis.com
iv
Contenido
1 Introduccin al Anlisis conjunto 1
Enfoque de perfil completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Matriz ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 El estmulo experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Recopilacin y anlisis de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Parte I: Manual del usuario 2 Generacin de un diseo ortogonal 5
Definicin de valores para un diseo ortogonal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Opciones del diseo ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Funciones adicionales del comando ORTHOPLAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Presentacin de un diseo
Mostrar ttulos de diseos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Funciones adicionales del comando PLANCARDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Ejecucin de un anlisis conjunto
11
Requisitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 Especificacin del archivo del plan y el archivo de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 Especificacin de la forma de registrar los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 Subcomandos opcionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Parte II: Ejemplos 5 Uso del anlisis conjunto para modelar la preferencia por los limpiadores de alfombras 17
Generacin de un diseo ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 Generacin del estmulo experimental: Presentacin del diseo. . . . . . . . . . . . . . . . . . . . . . . . . . 21 Ejecucin del anlisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 Puntuaciones de utilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 Coeficientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 Importancia relativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 Correlaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 Inversiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 Ejecucin de simulaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 Probabilidades de preferencias de las simulaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Apndices A Archivos muestrales B Notices Bibliografa ndice 31 41 43 45
vi
Captulo
Introduccin al Anlisis conjunto
El anlisis conjunto es una herramienta de investigacin de mercados para desarrollar un diseo de productos ecaz. Mediante el anlisis conjunto, el investigador puede responder preguntas como las siguientes: Qu atributos de producto son importantes para el consumidor y cules son irrelevantes? Cules son los niveles de atributos de producto ms atractivos para el consumidor y cules son los menos atractivos? Cul es la cuota de mercado de preferencia de los productos de los competidores en comparacin con nuestro producto propuesto o existente? La ventaja del anlisis conjunto reside en que solicita al encuestado que elija del mismo modo que se supone que lo har el consumidor al comparar las caractersticas. Por ejemplo, suponga que desea reservar un vuelo. Tiene la opcin de sentarse en un asiento estrecho o en uno amplio. Si esta fuera la nica consideracin, la eleccin estara clara. Seguramente preera un asiento amplio. Suponga que puede elegir entre distintos precios: 225 o 800. Teniendo slo en cuenta el precio, el ms bajo resultara preferible. Por ltimo, suponga que puede tomar un vuelo directo que tarde dos horas o un vuelo con una escala que tarda cuatro horas. La mayora de los encuestados elegiran el vuelo directo. El inconveniente del enfoque anterior es que las alternativas se presentan en funcin de atributos nicos, de uno en uno. El anlisis conjunto presenta alternativas entre productos denidos por conjuntos de atributos. Esto se ilustra en la siguiente eleccin: preere un vuelo estrecho, cuyo precio es de 225 y que hace una escala o un vuelo espacioso, cuyo precio es de 800 y que no hace ninguna escala? Si la comodidad, el precio y la duracin son atributos relevantes, potencialmente hay ocho productos:
Producto Comodidad 1 2 3 4 5 6 7 8 estrecho estrecho estrecho estrecho espacioso espacioso espacioso espacioso Price $225 $225 $800 $800 $225 $225 $800 $800 Duracin 2 horas 5 horas 2 horas 5 horas 2 horas 5 horas 2 horas 5 horas
Teniendo en cuenta las alternativas anteriores, el producto 4 es posiblemente el menos preferido, mientras que el 5 sera el ms preferido. Las preferencias de los encuestados para el resto de ofertas del producto se determinan de forma implcita en funcin de lo que resulta importante para el encuestado.
2 Captulo 1
Mediante el anlisis conjunto, puede determinar tanto la importancia relativa de cada atributo como los niveles de mayor preferencia de cada atributo. Si por alguna razn el producto que ms se preere no es viable, por ejemplo, por su coste, se puede saber cul es la siguiente alternativa ms preferida. Si cuenta con informacin adicional sobre los encuestados, como informacin demogrca, puede identicar los segmentos de mercado donde se puede introducir el producto. Por ejemplo, el viajero de negocios y el viajero estudiante pueden tener preferencias distintas que pueden cubrirse con diferentes ofertas de producto.
Enfoque de perfil completo

Conjoint utiliza el enfoque de perl completo (tambin llamado concepto completo), donde los encuestados clasican, ordenan o puntan un conjunto de perles o tarjetas en funcin de la preferencia. Cada perl describe un servicio o producto completo y consta de una combinacin diferente de niveles de factores para todos los factores (atributos) de inters.
Matriz ortogonal
Es muy probable que surjan problemas con el enfoque de perl completo si hay varios factores en juego y cada uno est compuesto por ms de un par de niveles. El nmero total de perles resultantes de todas las combinaciones posibles de niveles se aumenta demasiado para permitir que los encuestados sean capaces de clasicar o puntuar todos ellos de una manera que tenga sentido. Para resolver este problema, el enfoque de perl completo utiliza lo que se denomina un diseo factorial fraccional, que presenta una fraccin adecuada de todas las posibles combinaciones de niveles de los factores. El conjunto resultante, denominado matriz ortogonal, est diseado para recoger los efectos principales de cada nivel de factor. Se supone que las interacciones entre los niveles de un factor con los niveles de otro factor carecen de signicado. Se utiliza el procedimiento Generar diseo ortogonal para generar una matriz ortogonal que suele utilizarse como punto de partida de un anlisis conjunto. Tambin permite generar combinaciones de niveles de factores que se conocen como casos reservados, que son evaluados por los sujetos pero no se utilizan para generar el modelo de preferencias. En su lugar, se utilizan como comprobacin de la validez del modelo.
El estmulo experimental
Cada conjunto de los niveles de los factores de un diseo ortogonal representa una versin diferente del producto que se est estudiando y se debe presentar a los sujetos en forma de un perl de producto concreto. Esto ayuda al encuestado a concentrarse nicamente en el nico producto que se desea evaluar en ese momento. Los estmulos deben normalizarse, asegurndose de que todos los perles presentan un aspecto fsico similar, excepto en lo que respecta a las diferentes combinaciones de caractersticas. La creacin de los perles de los productos se simplica gracias al procedimiento Mostrar el diseo. Este procedimiento utiliza el diseo generado por el procedimiento Generar diseo ortogonal, o uno introducido por el usuario y genera un conjunto de perles de producto en un formato de fcil uso.
3 Introduccin al Anlisis conjunto
Recopilacin y anlisis de datos

Como suele haber muchas variaciones intra-sujetos en cuanto a las preferencias, la mayor parte del anlisis conjunto se centra en el sujeto nico. Para generalizar los resultados, se selecciona una muestra aleatoria de los sujetos de la poblacin de destino de manera que se pueda examinar los resultados de grupo. El tamao de la muestra de los estudios conjuntos vara enormemente. En un informe (Cattin y Wittink, 1982), los autores exponen que el tamao de la muestra de los estudios de conjuntos comerciales suele oscilar entre 100 y 1.000, siendo el intervalo entre 300 y 550 el ms tpico. En otro estudio (Akaah y Korgaonkar, 1988), se concluye que el tamao de muestra habitual es menor (inferior a 100). Como de costumbre, el tamao de la muestra debe ser lo sucientemente grande como para garantizar la abilidad. Una vez elegida la muestra, el investigador administra el conjunto de perles o tarjetas a cada encuestado. El procedimiento Conjoint permite utilizar tres mtodos de registro de datos. En el primer mtodo, se pide a los sujetos que asignen una puntuacin de preferencia a cada perl. Este tipo de mtodo es habitual cuando se utiliza una escala de Likert o cuando se pide a los sujetos que asignen un nmero del 1 al 100 para indicar la preferencia. En el segundo mtodo, se pide a los sujetos que asignen un rango a cada perl de 1 al nmero total de perles. En el tercer mtodo, se pide a los sujetos que ordenen los perles segn la preferencia. Este ltimo mtodo permite al investigador registrar los nmeros de perl en el orden dado por cada sujeto. El anlisis de los datos se realiza con el procedimiento Conjoint (disponible slo con la sintaxis de comandos) y da como resultado una puntuacin de utilidad, denominada contribucin parcial, para cada nivel del factor. Estas puntuaciones de utilidad, anlogas a los coecientes de regresin, proporcionan una medida cuantitativa de la preferencia para cada nivel del factor, donde los valores mayores corresponden a una preferencia ms alta. Las contribuciones parciales se expresan en una unidad comn, lo que permite aadirlas conjuntamente para obtener la utilidad total, o la preferencia global, de cualquier combinacin de los niveles de los factores. As, las contribuciones parciales constituyen un modelo para predecir la preferencia de cualquier perl de producto, incluidos los perles que se denominan casos de simulacin, que no se presentan realmente durante el experimento. La informacin que se obtiene a partir de un anlisis conjunto puede aplicarse a una amplia variedad de preguntas de investigacin de mercado. Se puede utilizar para investigar reas como el diseo de productos, la cuota de mercado, la publicidad estratgica, el anlisis de costes y benecios y la segmentacin del mercado. Aunque el enfoque de este manual se centra en las aplicaciones de investigacin de mercado, el anlisis conjunto puede ser til en casi cada campo cientco o empresarial donde resulta importante medir las percepciones o juicios de la gente.
Parte I: Manual del usuario
Captulo
Generacin de un diseo ortogonal
El procedimiento Generar diseo ortogonal genera un archivo de datos que contiene un diseo ortogonal de efectos principales que permite contrastar estadsticamente varios factores sin contrastar cada combinacin de niveles del factor. Este diseo puede mostrarse con el procedimiento Mostrar el diseo, y el archivo de datos puede utilizarse por otros procedimientos, como el Conjoint.
Ejemplo. Una nueva compaa area de bajo coste est interesada en determinar la importancia relativa de distintos factores en su oferta para clientes potenciales. El precio es claramente un factor fundamental, pero qu ocurre con el resto de factores, como el tamao del asiento, el nmero de escalas y el hecho de que se incluya o no una bebida o aperitivo? La posibilidad de realizar una encuesta para clasicar los perles de producto que representen todas las combinaciones de factores resulta poco razonable dado el gran nmero de perles. El procedimiento Generar diseo ortogonal es un conjunto reducido de perles de producto lo sucientemente pequeo como para incluirse en una encuesta y lo sucientemente grande como para evaluar la importancia relativa de cada factor. Para generar un diseo ortogonal
E Elija en los mens: Datos > Diseo ortogonal > Generar...
6 Captulo 2 Figura 2-1 Cuadro de dilogo Generar diseo ortogonal
E Dena al menos un factor. Escriba un nombre en el cuadro de texto Nombre de factor. Los
nombres de los factores pueden ser cualquier nombre de variable vlido, excepto status_ o card_. Tambin se puede asignar una etiqueta de factor opcional.
E Pulse en Aadir para aadir el nombre de factor y una etiqueta opcional. Para eliminar un factor, seleccinelo de la lista y pulse en Eliminar. Para modicar un nombre de factor o etiqueta, seleccinelo de la lista, modique el nombre o la etiqueta y pulse en Cambiar. E Puede denir valores para cada factor seleccionando el factor y pulsando en Definir valores.
Archivo de datos. Permite controlar el destino del diseo ortogonal. Puede guardar el diseo en un
nuevo conjunto de datos en la sesin actual o en un archivo de datos externo.

Crear un nuevo conjunto de datos. Crea un nuevo conjunto de datos en la sesin actual que
contiene los factores y los casos generados por el plan.

Crear nuevo archivo de datos. Crea un archivo de datos externo que contiene los factores y los
casos generados por el plan. Por defecto, este archivo de datos recibe el nombre ortho.sav, y se guarda en el directorio actual. Pulse en Archivo para especicar un nombre y destino diferentes para el archivo.
Restablecer semilla de aleatorizacin a. Restablece la semilla de aleatorizacin al valor especco. La semilla puede ser un valor entero comprendido entre 0 y 2.000.000.000. En una sesin, se utiliza una semilla distinta cada vez que se genera un conjunto de nmeros aleatorios, lo que da lugar a diferentes resultados. Si desea duplicar los mismos nmeros aleatorios, debe establecer el valor de la semilla antes de generar el primer diseo y restablecer la semilla al mismo valor cada vez que genere el diseo.
7 Generacin de un diseo ortogonal
Si lo desea, puede:
Pulsar en Opciones para especicar el nmero de casos mnimo del diseo ortogonal y para seleccionar casos reservados.
Definicin de valores para un diseo ortogonal

Figura 2-2 Cuadro de dilogo Generar diseo: Definir valores
Debe asignar valores a cada nivel de los factores o factor seleccionado. El nombre del factor aparecer despus de Valores y etiquetas para. Escriba cada valor del factor. Puede decidir asignar las etiquetas descriptivas de los valores. Si no asigna etiquetas a los valores, las etiquetas que corresponden a los valores se asignarn automticamente (es decir, un valor de 1 se asignar a una etiqueta de 1, un valor de 3 se asignar a una etiqueta de 3, y as sucesivamente).
Auto-relleno. Permite rellenar automticamente los cuadros Valor con valores consecutivos que
comiencen por 1. Escriba el valor mximo y pulse en Rellenar para rellenar los valores.
8 Captulo 2
Opciones del diseo ortogonal

Figura 2-3 Cuadro de dilogo Generar diseo ortogonal: Opciones
Generar como mnimo. Especica un nmero de casos mnimo para el plan. Seleccione un nmero
entero positivo menor o igual que el nmero total de casos que se pueden formar de todas las combinaciones posibles de los niveles de factores. Si no especica explcitamente el nmero de casos mnimo que se crear, se generar el nmero de casos mnimo necesario para el plan ortogonal. Si el procedimiento Orthoplan no puede crear al menos el nmero de perles requerido para el mnimo, generar el mayor nmero posible que se ajuste a los factores y los niveles especicados. Tenga en cuenta que el diseo no incluye necesariamente el nmero exacto de casos especicados, sino el menor nmero posible de casos del diseo ortogonal tomando este valor como un mnimo.
Casos reservados. Puede denir casos reservados que estn evaluados por sujetos pero no se
hayan incluido en el anlisis conjunto.
Nmero de casos reservados. Crea casos reservados adems de los casos normales del plan.
Los casos reservados son juzgados por los sujetos, pero no se utilizan cuando el procedimiento Conjoint estima las utilidades. Puede especicar cualquier un nmero entero positivo menor o igual que el nmero total de casos que se pueden formar a partir de todas las combinaciones posibles de los niveles de factores. Los casos reservados se generan mediante otro plan aleatorio, diferente del plan experimental de efectos principales. Los casos reservados no duplican los perles experimentales ni se duplican entre ellos. Por defecto, no se produce ningn caso reservado.
Combinar al azar con otros casos. Mezcla casos aleatoriamente con casos experimentales.
Cuando esta opcin no est seleccionada, los casos de reserva aparecen individualmente, a continuacin de los casos experimentales.
Funciones adicionales del comando ORTHOPLAN

Con el lenguaje de sintaxis de comandos tambin podr:

Aadir el diseo ortogonal al conjunto de datos activo en lugar de crear uno nuevo. Especicar casos de simulacin antes de generar el diseo ortogonal en lugar de despus de haber creado el diseo.
Si desea informacin detallada sobre la sintaxis, consulte la referencia de sintaxis de comandos (Command Syntax Reference).
Captulo
Presentacin de un diseo
El procedimiento Mostrar el diseo permite imprimir un diseo experimental. Puede imprimir el diseo en un formato de lista de borrador o como perles que se pueden presentar a los sujetos de un estudio conjunto. Este procedimiento puede mostrar diseos creados con el procedimiento Generar diseo ortogonal o cualquier diseo mostrado en un conjunto de datos activo.
Para mostrar un diseo ortogonal
E En los mens, seleccione: Datos > Diseo ortogonal > Mostrar... Figura 3-1 Cuadro de dilogo Mostrar el diseo
E Mueva uno o ms factores a la lista Factores. E Seleccione un formato para mostrar los perles en el resultado.
Formato. Puede elegir una o ms de las siguientes opciones de formato:
Listado para el experimentador. Muestra el diseo en un formato de borrador que distingue
los perles de reserva de los perles experimentales y enumera perles de simulacin independientemente siguiendo los perles experimentales y de reserva.
Perfiles para los sujetos. Genera perles de procedimiento que pueden presentarse a los
sujetos. Este formato no diferencia los perles de resultado y no genera perles de simulacin. Si lo desea, puede:
Pulsar en Ttulos para denir los encabezados y pies de los perles.

9
10 Captulo 3
Mostrar ttulos de diseos

Figura 3-2 Cuadro de dilogo Mostrar ttulos de diseos
Ttulo del perfil. Escriba un ttulo del perl de hasta 80 caracteres. Los ttulos aparecern en la parte superior del resultado si ha seleccionado Listado para el experimentador y en la parte superior de cada nuevo perl si ha seleccionado Perfiles para los sujetos en el cuadro de dilogo principal. Para Perfiles para los sujetos, si la secuencia de caracteres especiales )CARD se especica en cualquier parte del ttulo, el procedimiento la reemplazar por el nmero de perl secuencial. Esta secuencia de caracteres no se convierte para Listado para el experimentador. Pie del perfil. Escriba un pie del perl de hasta 80 caracteres. Los pies aparecern en la parte inferior del resultado si ha seleccionado Listado para el experimentador y la parte inferior de cada perl si ha seleccionado Perfiles para los sujetos en el cuadro de dilogo principal. Para Perfiles para los sujetos, si la secuencia de caracteres especiales )CARD se especica en cualquier parte del pie, el procedimiento la reemplazar por el nmero de perl secuencial. Esta secuencia de caracteres no se convierte para Listado para el experimentador.
Funciones adicionales del comando PLANCARDS

Con el lenguaje de sintaxis de comandos tambin podr:
Escribir perles para sujetos en un archivo externo (mediante el subcomando OUTFILE).
Si desea informacin detallada sobre la sintaxis, consulte la referencia de sintaxis de comandos (Command Syntax Reference).
Captulo
Ejecucin de un anlisis conjunto
An no existe una interfaz grca de usuario para el procedimiento Conjoint. Para obtener un anlisis conjunto, debe escribir la sintaxis de comandos para un comando CONJOINT en una ventana de sintaxis y, a continuacin, ejecutarla.
Si desea obtener un ejemplo de sintaxis de comandos para un comando CONJOINT en el contexto de un anlisis conjunto completo, incluida la generacin y visualizacin de un diseo ortogonal, consulte el captulo 5. Si desea informacin detallada sobre la sintaxis de comandos acerca del comando CONJOINT, consulte Command Syntax Reference.
Para ejecutar un comando desde una ventana de sintaxis
Elija en los mens:

Archivo > Nuevo > Sintaxis...
Se abrir una ventana de sintaxis.

E Escriba la sintaxis de comandos para el comando CONJOINT. E Resalte el comando en la ventana de sintaxis y pulse en el botn Ejecutar (el tringulo que apunta
hacia la derecha) en la barra de herramientas del Editor de sintaxis. Consulte el Manual del usuario del sistema bsico para obtener informacin sobre cmo ejecutar comandos en las ventanas de sintaxis.
Requisitos
El procedimiento Conjoint requiere dos archivos, un archivo de datos y un archivo del plan, y la especicacin de cmo se grabaron los datos (por ejemplo, cada punto de datos es una puntuacin de preferencia de 1 a 100). El archivo del plan consta del conjunto de perles de productos que van a evaluar los sujetos y se debe generar mediante el procedimiento Generar diseo ortogonal. El archivo de datos contiene las clasicaciones o puntuaciones de preferencia de estos perles recopilados de los sujetos. Los archivos del plan y de los datos se especican con los subcomandos PLAN y DATA respectivamente. El mtodo de registro de datos se especica con los subcomandos SEQUENCE, RANK o SCORE. La siguiente sintaxis de comandos muestra una especicacin mnima:
CONJOINT PLAN='CPLAN.SAV' /DATA='RUGRANKS.SAV' /SEQUENCE=PREF1 TO PREF22. Copyright SPSS Inc. 1989, 2010 11
12 Captulo 4
Especificacin del archivo del plan y el archivo de datos

El comando CONJOINT proporciona distintas opciones para especicar el archivo del plan y el archivo de datos.
Puede especicar explcitamente los nombres de archivo de los dos archivos. Por ejemplo:
CONJOINT PLAN='CPLAN.SAV' /DATA='RUGRANKS.SAV'
Si slo se especica un archivo del plan o un archivo de datos, el comando CONJOINT lee el archivo especicado y utiliza el conjunto de datos activo como el otro archivo. Por ejemplo, si especica un archivo de datos pero omite el archivo del plan (no puede omitir ambos archivos), el conjunto de datos activo se utiliza como el plan, como se muestra en el siguiente ejemplo:
CONJOINT DATA='RUGRANKS.SAV'
Puede utilizar el asterisco (*) en lugar de un nombre de archivo para indicar el conjunto de datos activo, como se muestra en el siguiente ejemplo:
CONJOINT PLAN='CPLAN.SAV' /DATA=*
El conjunto de datos activo se utiliza como los datos de preferencia. Tenga en cuenta que no puede utilizar el asterisco (*) para el archivo del plan y el archivo de datos.
Especificacin de la forma de registrar los datos

Debe especicar la forma en la que se registraron los datos de preferencia. Los datos se pueden registrar de tres formas: secuencialmente, como clasicaciones o como puntuaciones de preferencia. Estos tres mtodos se indican mediante los subcomandos SEQUENCE, RANK y SCORE. Debe especicar uno, y slo uno, de estos subcomandos como parte de un comando CONJOINT.
Subcomando SEQUENCE
El subcomando SEQUENCE indica que los datos se registraron secuencialmente de manera que cada punto de datos del archivo de datos es un nmero de perl, comenzando por el perl ms preferido y terminando por el perl menos preferido. As es como se registran los datos si se pide al sujeto que ordene los perles del ms preferido al menos preferido. El investigador registra el nmero de perl que aparece primero, el nmero de perl que aparece segundo y as sucesivamente.
CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /SEQUENCE=PREF1 TO PREF22.
La variable PREF1 contiene el nmero de perl correspondiente al perl ms preferido entre los 22 perles del plan ortogonal. La variable PREF22 contiene el nmero de perl correspondiente al perl menos preferido del plan.
Subcomando RANK
El subcomando RANK indica que cada punto de datos es una clasicacin, comenzando por la clasicacin del perl 1, seguido por la clasicacin del perl 2 y as sucesivamente. As es como se registran los datos si se solicita al sujeto que asigne un rango a cada perl, que oscila de 1 a n, donde n es el nmero de perles. Un rango menor implica una preferencia mayor.
13 Ejecucin de un anlisis conjunto CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /RANK=RANK1 TO RANK22.
La variable RANK1 contiene la clasicacin del perl 1, de un total de 22 perles en el plan ortogonal. La variable RANK22 contiene la clasicacin del perl 22.
Subcomando SCORE
El subcomando SCORE indica que cada punto de datos es una puntuacin de preferencia asignada a los perles, comenzando con la puntuacin del perl 1, seguida por la puntuacin del perl 2, y as sucesivamente. Este tipo de datos puede generarse, por ejemplo, pidiendo a los sujetos que asignen un nmero del 1 al 100 para mostrar su preferencia por el perl. Una puntuacin mayor implica una preferencia mayor.
CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /SCORE=SCORE1 TO SCORE22.
La variable SCORE1 contiene la puntuacin para el perl 1 y la variable SCORE22 contiene la puntuacin para el perl 22.
Subcomandos opcionales
El comando CONJOINT ofrece varios subcomandos opcionales que proporcionan control y funcionalidad adicionales superiores a los requeridos.
Subcomando SUBJECT
El subcomando SUBJECT permite especicar una variable del archivo de datos para utilizarla como identicador para los sujetos. Si no especica ninguna variable de sujetos, el comando CONJOINT supone que todos los casos del archivo de datos vienen de un sujeto. El siguiente ejemplo especica que la variable ID, del archivo rugranks.sav, se utiliza como identicador de sujeto.
CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /SCORE=SCORE1 TO SCORE22 /SUBJECT=ID.
Subcomando FACTORS
El subcomando FACTORS permite especicar el modelo que describe la relacin esperada entre los factores y las clasicaciones o puntuaciones. Si no especica ningn modelo para un factor, CONJOINT supone que el modelo es discreto. Puede especicar uno de estos cuatro modelos:
DISCRETE. El modelo DISCRETE indica que los niveles de los factores son categricos y que no se
realiza ninguna suposicin acerca de la relacin existente entre el factor y las clasicaciones o puntuaciones. Este es el mtodo por defecto.
LINEAR. El modelo LINEAR indica una relacin esperada lineal entre el factor y las clasicaciones o puntuaciones. Puede especicar la direccin esperada de la relacin lineal mediante las palabras clave MORE y LESS. MORE indica que los niveles ms altos de un factor sern los ms preferidos, mientras que LESS indica que los niveles ms bajos de un factor sern los preferidos. El hecho de
14 Captulo 4
especicar MORE o LESSno afecta a las estimaciones de las utilidades. Se utilizan para identicar sujetos cuyas estimaciones no coinciden con la direccin esperada.
IDEAL. El modelo IDEAL indica una relacin esperada cuadrtica entre el factor y las
clasicaciones o puntuaciones. Se supone que existe un nivel ideal para el factor y la distancia a este punto ideal (en cualquier direccin) se asocia con la preferencia descendente. Los factores descritos con este modelo deben tener al menos tres niveles.
ANTIIDEAL. El modelo ANTIIDEAL indica una relacin esperada cuadrtica entre el factor y las clasicaciones o puntuaciones. Se supone que existe un peor nivel para el factor y la distancia a este punto (en cualquier direccin) se asocia con la preferencia ascendente. Los factores descritos con este modelo deben tener al menos tres niveles.
La siguiente sintaxis de comandos proporciona un ejemplo con el subcomando FACTORS:

CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /RANK=RANK1 TO RANK22 /SUBJECT=ID /FACTORS=PACKAGE BRAND (DISCRETE) PRICE (LINEAR LESS) SEAL (LINEAR MORE) MONEY (LINEAR MORE).
Observe que tanto package como brand estn modelados como discretos.
Subcomando PRINT
El subcomando PRINT permite controlar el contenido del resultado tabular. Por ejemplo, si tiene un numero elevado de sujetos, puede limitar el resultado slo a los resultados de resumen, omitiendo el resultado detallado para cada sujeto, como se muestra en el siguiente ejemplo:
CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /RANK=RANK1 TO RANK22 /SUBJECT=ID /PRINT=SUMMARYONLY.
Tambin puede seleccionar si el resultado incluye el anlisis de los datos experimentales, los resultados para cualquier caso de simulacin incluido en el archivo del plan, ambos o ninguno. Los casos de simulacin no estn evaluados por los sujetos pero representan perles de producto que son de su inters. El procedimiento Conjoint utiliza el anlisis de los datos experimentales para realizar predicciones a cerca de la preferencia relativa para cada perl de simulacin. En el siguiente ejemplo, se suprime el resultado detallado de cada sujeto y el resultado se limita a los resultados de las simulaciones:
CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /RANK=RANK1 TO RANK22 /SUBJECT=ID /PRINT=SIMULATION SUMMARYONLY.
Subcomando PLOT
El subcomando PLOT controla si los grcos se incluyen en el resultado. Como en el resultado tabular (subcomando PRINT), puede controlar si el resultado se limita a los resultados de resumen o incluye los resultados para cada sujeto. Por defecto, no se genera ningn grco. En el siguiente ejemplo, el resultado incluye todos los grcos disponibles:
CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /RANK=RANK1 TO RANK22 /SUBJECT=ID /PLOT=ALL.
15 Ejecucin de un anlisis conjunto
Subcomando UTILITY
El subcomando UTILITY escribe un archivo de datos de IBM SPSS Statistics que contiene informacin detallada sobre cada sujeto. Incluye las utilidades para los factores DISCRETE, las funciones pendientes y cuadrticas para los factores LINEAR, IDEAL y ANTIIDEAL, la constante de regresin y las puntuaciones de preferencia estimadas. Estos valores pueden utilizarse en otros anlisis o para realizar grcos adicionales con otros procedimientos. En el siguiente ejemplo se crea un archivo de utilidades denominado rugutil.sav:
CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /RANK=RANK1 TO RANK22 /SUBJECT=ID /UTILITY='RUGUTIL.SAV'.
Parte II: Ejemplos
Captulo
Uso del anlisis conjunto para modelar la preferencia por los limpiadores de alfombras
En un ejemplo muy conocido de anlisis conjunto (Green y Wind, 1973), una compaa interesada en sacar al mercado un nuevo limpiador de alfombras desea examinar la inuencia de cinco factores sobre la preferencia del consumidor: diseo del producto, marca comercial, precio, sello de buen producto para el hogar y garanta de devolucin del importe. Hay tres niveles de factores para el diseo del producto, cada uno con una diferente colocacin del cepillo del aplicador; tres nombres comerciales (K2R, Glory y Bissell); tres niveles de precios; y dos niveles (no o s) para los dos ltimos factores. La siguiente tabla muestra las variables utilizadas en el estudio de limpiadores de alfombras, con sus etiquetas de variable y valores.
Tabla 5-1 Variables en el estudio de limpiadores de alfombras
Nombre de variable formato marca precio sello importe
Etiqueta de variable diseo del producto nombre comercial precio sello de buen producto para el hogar garanta de devolucin del importe
Etiqueta de valor A*, B*, C* K2R, Glory, Bissell $1.19, $1.39, $1.59 no, s no, s
Puede que haya otros factores y niveles de los factores que sirvan para caracterizar a los limpiadores de alfombras, pero para la administracin slo stos son de inters. Hay un punto importante en el anlisis conjunto. Slo se desea elegir aquellos factores (variables independientes) que se considera que ms afectarn a la preferencia del sujeto (la variable dependiente). Mediante el anlisis conjunto, se desarrollar un modelo de la preferencia del cliente basado en estos cinco factores. Este ejemplo utiliza la informacin de los siguientes archivos de datos: carpet_prefs.sav contiene los datos recopilados de los sujetos, carpet_plan.sav contiene los perles de los productos sobre los que se ha realizado la encuesta, conjoint.sps contiene la sintaxis de comandos necesaria para ejecutar el anlisis. Si desea obtener ms informacin, consulte el tema Archivos muestrales en el apndice A en IBM SPSS Conjoint 19.
17
18 Captulo 5
Generacin de un diseo ortogonal

El primer paso de un anlisis conjunto consiste en crear las combinaciones de los niveles de los factores que se presentan como perles de los productos a los sujetos. Ya que incluso un nmero pequeo de factores y unos cuantos niveles para cada factor pueden producir un nmero desmesurado de posibles perles de productos, es necesario generar un subconjunto representativo denominado matriz ortogonal. El procedimiento Generar diseo ortogonal crea una matriz ortogonal (tambin denominada diseo ortogonal) y almacena la informacin en un archivo de datos. A diferencia de la mayora de los procedimientos, no es necesario disponer de un conjunto de datos activo antes de ejecutar el procedimiento Generar diseo ortogonal. Si no tiene ningn conjunto de datos activo, tiene la posibilidad de crear uno, generar los nombres de variable, las etiquetas de variable y las etiquetas de valor mediante las opciones seleccionadas en los cuadros de dilogo. Si ya tiene un conjunto de datos activo, puede reemplazarlo o bien guardar por separado el diseo ortogonal en un archivo de datos. Para crear un diseo ortogonal:
E Elija en los mens: Datos > Diseo ortogonal > Generar... Figura 5-1 Cuadro de dilogo Generar diseo ortogonal
E Introduzca formato en el cuadro de texto Nombre del factor y diseo del producto en el cuadro
de texto Etiqueta del factor.

E Pulse en Aadir.
Se crear un elemento con la etiqueta formato diseo del producto (?). Seleccione este elemento.
19 Uso del anlisis conjunto para modelar la preferencia por los limpiadores de alfombras E Pulse en Definir valores. Figura 5-2 Cuadro de dilogo Generar diseo: Definir valores
E Escriba los valores 1, 2 y 3 para representar los diseos del producto A*, B* y C*. Escriba
tambin las etiquetas A*, B* y C*.

E Pulse en Continuar.
Ahora deber repetir este proceso para los factores restantes, marca, precio, sello e importe. Utilice los valores y las etiquetas de la siguiente tabla, que incluye los valores que ya ha introducido para formato.
Nombre del factor formato marca precio sello importe Etiqueta del factor diseo del producto nombre comercial precio Valores 1, 2, 3 1, 2, 3 1.19, 1.39, 1.59 Etiquetas A*, B*, C* K2R, Glory, Bissell $1.19, $1.39, $1.59 no, s no, s
sello de buen producto para 1, 2 el hogar garanta de devolucin del 1, 2 importe
Una vez que haya rellenado las especicaciones de los factores:

E En el grupo Archivo de datos, deje el valor predeterminado de Crear un nuevo conjunto de datos e
introduzca un nombre de conjunto de datos. El diseo generado se guardar en un nuevo conjunto de datos, en la sesin actual, con el nombre especicado.
E Seleccione Restablecer semilla de aleatorizacin a y escriba el valor 2000000.
20 Captulo 5
Para generar un diseo ortogonal es necesario un conjunto de nmeros aleatorios. Si desea duplicar un diseo (en este caso, el diseo utilizado para el estudio de caso actual) deber establecer el valor de la semilla antes de generar el diseo y volver a establecer este mismo valor cada vez que quiera volver a generar el diseo. El diseo utilizado para este estudio de caso se gener con el valor de la semilla de 2000000.
E Pulse en Opciones. Figura 5-3 Cuadro de dilogo Generar diseo ortogonal: Opciones
E En el cuadro de texto Generar como mnimo, escriba 18.
Por defecto, se generan el nmero mnimo de casos necesarios para una matriz ortogonal. Este procedimiento determina el nmero de casos que es necesario administrar para que sea posible estimar las utilidades. Tambin puede especicar el nmero mnimo de casos que se generarn, como hemos hecho anteriormente. Tal vez le interese hacerlo as porque el nmero mnimo por defecto de casos sea demasiado pequeo para ser til o porque existan consideraciones del diseo experimental que requieran un determinado nmero mnimo de casos.
E Seleccione Nmero de casos reservados y escriba 4.
Los casos reservados son juzgados por los sujetos, pero no se utilizan en el anlisis conjunto para estimar las utilidades. Se utilizan como comprobacin de la validez de las utilidades estimadas. Los casos reservados se generan mediante otro plan aleatorio, diferente del plan ortogonal experimental.
E Pulse en Continuar en el cuadro de dilogo Generar diseo ortogonal: Opciones. E Pulse en Aceptar en el cuadro de dilogo Generar diseo ortogonal.
21 Uso del anlisis conjunto para modelar la preferencia por los limpiadores de alfombras Figura 5-4 Diseo ortogonal para el ejemplo de limpiadores de alfombras
El diseo ortogonal, que aparece en el Editor de datos, puede verse con mayor claridad si se muestran las etiquetas de valor en vez de los valores reales de los datos. Para ello, hay que seleccionar Etiquetas de valor en el men Ver. Las variables del archivo de datos son los factores que se utilizan para especicar el diseo. Cada caso representa un perl de producto del diseo. Observe que en el archivo de datos aparecen dos variables adicionales: CARD_ y STATUS_. CARD_ asigna un nmero secuencial a cada uno de los perles que se utilizan para identicar el perl. STATUS_ indica si un perl forma parte del diseo experimental (los primeros 18 casos), es un caso reservado (los 4 ltimos casos) o un caso de simulacin (que trataremos en un tema posterior de este estudio de caso). El diseo ortogonal es un dato de entrada necesario para analizar los datos. Por ello, deber guardar el diseo en un archivo de datos. Por comodidad, el diseo actual se ha guardado en carpet_plan.sav (los diseos ortogonales tambin se denominan planes).
Generacin del estmulo experimental: Presentacin del diseo

Una vez que ha creado un diseo ortogonal, deber utilizarlo para crear los perles de los productos que los sujetos evaluarn. Puede presentar todos los perles en una nica tabla o bien mostrar cada uno de los perles en una tabla distinta. Para mostrar un diseo ortogonal:
E Elija en los mens: Datos > Diseo ortogonal > Mostrar...
22 Captulo 5 Figura 5-5 Cuadro de dilogo Mostrar el diseo
E Seleccione formato, marca, precio, sello e importe como factores.
La informacin que contienen las variables STATUS_ y CARD_ se incluye automticamente en los resultados, por lo que no ser necesario seleccionarla.
E Seleccione Listado para el experimentador en el grupo Formato. As, se mostrar todo el diseo
ortogonal en una nica tabla.

E Pulse en Aceptar. Figura 5-6 Visualizacin de diseo ortogonal: Diseo con una nica tabla
23 Uso del anlisis conjunto para modelar la preferencia por los limpiadores de alfombras
El aspecto de los resultados recuerda al diseo ortogonal que apareca en el Editor de datos: una la para cada perl con los factores como columnas. Observe, sin embargo, que los encabezados de columna son las etiquetas de variable en vez de los nombres de variable que se vean en el Editor de datos. Observe tambin que los casos reservados se identican mediante una nota al pie. Aunque este dato es de inters para el experimentador, por supuesto no interesa que los sujetos sepan cules de los casos, si los hay, son los reservados. Segn como quiera crear y entregar los perles de los productos nales, puede guardar esta tabla como un archivo HTML, Word/RTF, Excel o PowerPoint. Para ello, basta con seleccionar la tabla en el Visor, pulsar con el botn derecho del ratn y seleccionar Exportar. Adems, si utiliza la versin exportada para crear los perles de los productos nales asegrese de editar las notas al pie correspondientes a los casos reservados. Tal vez sea ms fcil responder a las necesidades de la encuesta si se genera una tabla diferente para cada perl de producto. Esta opcin se presta en especial a la exportacin a PowerPoint ya que cada tabla (perl de producto) se coloca en una diapositiva distinta de PowerPoint. Para mostrar cada perl en una tabla diferente:
E Pulse en el botn Recuperar cuadros de dilogo y elija Mostrar el diseo. E Anule la seleccin de Listado para el experimentador y seleccione Perfiles para los sujetos. E Pulse en Aceptar. Figura 5-7 Visualizacin de diseo ortogonal: Diseo de tabla mltiple
La informacin correspondiente a cada perl de producto aparecer en una tabla diferente. Adems, no se podrn distinguir los casos reservados de los dems, por lo que no habr que preocuparse de eliminar los identicadores de los casos reservados, como ocurra con el diseo con una nica tabla.
Ejecucin del anlisis

Ha generado un diseo ortogonal y ha aprendido a mostrar los perles de los productos asociados. Ya est preparado para aprender a ejecutar un anlisis conjunto.
24 Captulo 5 Figura 5-8 Datos de preferencias para el ejemplo de limpiadores de alfombras
Los datos de preferencias recopilados de los sujetos se encuentran en carpet_prefs.sav. Los datos estn compuestos por las respuestas de 10 sujetos, identicadas por un valor nico de la variable ID. A los sujetos se les pidi que clasicasen los 22 perles de los productos empezando por el que ms se preere y terminando por el que menos se preere. Las variables desde PREF1 hasta PREF22 contienen los ID de los perles de producto asociados, es decir, el ID de tarjeta de carpet_plan.sav. El sujeto 1, por ejemplo, prefera al perl 13 sobre todos los dems, por lo que PREF1 tiene el valor 13. El anlisis de los datos es una tarea que requiere utilizar la sintaxis de comandos, en concreto, el comando CONJOINT. La sintaxis de comandos necesaria se incluye en el archivo conjoint.sps.
CONJOINT PLAN='especificacin de archivo' /DATA='especificacin de archivo' /SEQUENCE=PREF1 TO PREF22 /SUBJECT=ID /FACTORS=PACKAGE BRAND (DISCRETE) PRICE (LINEAR LESS) SEAL (LINEAR MORE) MONEY (LINEAR MORE) /PRINT=SUMMARYONLY.
El subcomando PLAN especica el archivo que contiene el diseo ortogonal, que en este ejemplo es carpet_plan.sav. El subcomando DATA especica el archivo que contiene los datos de preferencias, que en este ejemplo es, carpet_prefs.sav. Si elige los datos de preferencias como conjunto de datos activo, puede reemplazar la especicacin del archivo por un asterisco (*), sin comillas. El subcomando SEQUENCE especica que cada punto de datos de los datos de preferencias es un nmero de perl, comenzando por el perl que ms se preere y terminado por el que menos se preere. El subcomando SUBJECT especica que la variable ID identica a los sujetos. El subcomando FACTORS especica un modelo que describe la relacin esperada entre los datos de preferencias y los niveles de los factores. Los factores especicados hacen referencia a las variables denidas en el archivo de plan indicado en el subcomando PLAN. La palabra clave DISCRETE se utiliza cuando los niveles de los factores son categricos y no se realiza ninguna suposicin acerca de la relacin existente entre los niveles y los datos. ste es el caso de los factores formato y marca que representan al diseo del producto y el nombre comercial, respectivamente. Se supone DISCRETE si no se etiqueta un factor con alguna de las cuatro alternativas (DISCRETE, LINEAR, IDEAL, ANTIIDEAL) o no se incluye en el subcomando FACTORS.
La palabra clave LINEAR, utilizada para los dems factores, indica que se espera que los datos estn relacionados linealmente con el factor. Por ejemplo, normalmente se espera que la preferencia est relacionada linealmente con el precio. Tambin es posible especicar modelos cuadrticos (que no se utilizarn en este ejemplo) mediante las palabras clave IDEAL y ANTIIDEAL. Las palabras clave MORE y LESS, a continuacin de LINEAR, indican que se espera que la relacin tenga una determinada direccin. Como esperamos que se muestre una mayor preferencia hacia los precios ms bajos, se utilizar la palabra clave LESS para precio. Sin embargo, esperamos una mayor preferencia hacia un sello de aprobacin de buen producto para el hogar o una garanta de devolucin del importe, por lo que se utilizar la palabra clave MORE para sello e importe (recuerde que los niveles de ambos factores se establecieron en 1 para no y 2 para s). Al especicar MORE o LESS no cambian los signos de los coecientes ni resultan afectadas las estimaciones de las utilidades. Estas palabras clave se utilizan sencillamente para identicar a los sujetos cuyas estimaciones no corresponden a la direccin esperada. De manera similar, si se elige IDEAL en vez de ANTIIDEAL o viceversa, ni las utilidades ni los coecientes resultan afectados.
El subcomando PRINT especica que los resultados nicamente contienen informacin acerca del grupo de sujetos considerado de forma global (palabra clave SUMMARYONLY). La informacin individual acerca de cada sujeto se suprime.
Pruebe a ejecutar esta sintaxis de comandos. Asegrese de que ha incluido rutas de acceso vlidas a carpet_prefs.sav y carpet_plan.sav. Para ver una descripcin completa de todas las opciones, consulte el comando CONJOINT en Command Syntax Reference (Referencia de sintaxis de comandos).
Puntuaciones de utilidad
Figura 5-9 Puntuaciones de utilidad
26 Captulo 5
Esta tabla muestra las puntuaciones de utilidad (las contribuciones parciales) y los errores tpicos de cada nivel de factor. Mayores valores de utilidad indican una mayor preferencia. Tal como se esperaba, hay una relacin inversa entre el precio y la utilidad en la que los mayores precios corresponden a una menor utilidad (valores grandes negativos indican una menor utilidad). La presencia de un sello de aprobacin o una garanta de devolucin del importe corresponden a una mayor utilidad, como habamos previsto. Como todas las utilidades se expresan en una unidad comn, es posible sumarlas para obtener la utilidad total de cualquier combinacin. Por ejemplo, la utilidad total de un limpiador con un diseo del producto B*, marca K2R, precio 1,19 y sin sello de aprobacin ni garanta de devolucin del importe es:
utilidad(formato B*) + utilidad(K2R) + utilidad(1,19) + utilidad(sin sello) + utilidad(sin devolucin del importe) + constante
o
1.867 + 0.367 + (6.595) + 2.000 + 1.250 + 12.870 = 11.759
Si el limpiador tuviera el diseo del producto C*, marca Bissell, precio 1,59, un sello de aprobacin y una garanta de devolucin del importe, la utilidad total sera:
0.367 + (0.017) + (8.811) + 4.000 + 2.500 + 12.870 = 10.909
Coeficientes
Figura 5-10 Coeficientes
Esta tabla muestra los coecientes de regresin lineal para los que se han especicado los factores como LINEAR (para los modelos IDEAL y ANTIIDEAL tambin habra un trmino cuadrtico). La utilidad de un determinado nivel de factor se determina multiplicando el nivel por el coeciente. Por ejemplo, la tabla de utilidades mostraba la utilidad pronosticada 6,595 para un precio de 1,19 . ste es sencillamente el valor del nivel de precio, 1,19, multiplicado por el coeciente de precio, 5,542.
Importancia relativa
El rango de los valores de utilidad (de mayor a menor) para cada factor proporciona una medida de lo importante que es un determinado factor respecto a la preferencia global. Los factores que presentan mayores rangos de utilidad desempean un papel ms importante que los que tienen rangos menores.
Figura 5-11 Valores de importancia
Esta tabla ofrece una medida de la importancia relativa de cada factor denominado valor o puntuacin de importancia. Los valores se calculan tomando el rango de utilidad para cada factor por separado y dividindolo por la suma de los rangos de utilidad de todos los factores. Por tanto, los valores representan porcentajes y tienen la propiedad de que suman 100. Es importante resaltar que los clculos se realizan por separado para cada sujeto y, a continuacin, los resultados se promedian respecto a todos los sujetos. Observe que mientras que los coecientes de regresin y las utilidades de resumen o globales de los diseos ortogonales son iguales con o sin un subcomando SUBJECT, las importancias en general son diferentes. Para los resultados de resumen sin un subcomando SUBJECT, es posible calcular directamente las importancias a partir de las utilidades de resumen, al igual se puede hacer con cada uno de los sujetos. Sin embargo, cuando se utiliza un subcomando SUBJECT, las importancias de los sujetos individuales se promedian y estas importancias promediadas en general no coincidirn con las calculadas mediante las utilidades de resumen. Los resultados muestran que el diseo del producto tiene la mayor inuencia sobre la preferencia global. Por tanto, existe una gran diferencia en la preferencia entre los perles de producto que utilizan el diseo ms deseado y los que contienen el menos deseado. Los resultados tambin muestran que la garanta de devolucin del importe desempea el papel menos importante respecto a la preferencia global. El precio desempea un papel signicativo pero no tanto como el diseo del producto. Tal vez sea porque el rango de precios no es tan grande.
Correlaciones
Figura 5-12 Coeficientes de correlacin
Esta tabla muestra dos estadsticos, la r de Pearson y la tau de Kendall, que proporcionan medidas de la correlacin entre las preferencias observadas y las estimadas.
28 Captulo 5
La tabla tambin muestra la tau de Kendall nicamente para los perles de reserva. Recuerde que los perles de reserva (cuatro en el ejemplo actual) fueron evaluados por los sujetos pero el procedimiento Conjoint no los utiliz para estimar las utilidades. En lugar de esto, el procedimiento Conjoint calcula las correlaciones entre los rdenes de los rangos observados y pronosticados para estos perles como comprobacin de la validez de las utilidades. En numerosos anlisis conjuntos, el nmero de parmetros es similar al nmero de perles evaluados, lo que aumenta articialmente la correlacin entre las puntuaciones observadas y las estimadas. En estos casos, las correlaciones para los perles de reserva pueden ofrecer una mejor indicacin del ajuste del modelo. No olvide, sin embargo, que las reservas siempre generarn menores coecientes de correlacin.
Inversiones
Al especicar modelos LINEAR para precio, sello e importe, hemos elegido una direccin esperada (LESS o MORE) para la relacin lineal entre el valor de la variable y la preferencia para dicho valor. El procedimiento Conjoint realiza un seguimiento del nmero de sujetos cuyas preferencias son opuestas a la relacin esperada; por ejemplo, preeren precios ms altos, o preeren que no haya una garanta de devolucin del importe. A estos casos, se les denomina inversiones.
Figura 5-13 Nmero de inversiones por factor y sujeto
Esta tabla muestra el nmero de inversiones para cada factor y para cada sujeto. Por ejemplo, tres sujetos muestran una inversin respecto al precio. Es decir, preeren perles de productos con precios superiores.
Ejecucin de simulaciones
La autntica potencia del anlisis conjunto reside en la posibilidad de predecir la preferencia de perles de producto que no hayan sido evaluados por los sujetos. A estos, se les denomina casos de simulacin. Los casos de simulacin se incluyen como parte del plan, junto con los perles del diseo ortogonal y todos los perles de reserva. La manera ms sencilla de introducir casos de simulacin es utilizar el Editor de datos, utilizando las etiquetas de valor creadas al generar el diseo experimental.
Para introducir un caso de simulacin en el archivo del plan:

E En una nueva la de la ventana del Editor de datos, seleccione una casilla y elija el valor deseado en la lista (es posible ver las etiquetas de valor seleccionando Etiquetas de valor en el men Ver).
Repita estos pasos para todas las variables (factores).

E Seleccione Simulacin como valor de la variable STATUS_. E Escriba un valor entero, que se utilizar como identicador, para la variable CARD_. Los casos de
simulacin se deben numerar de manera independiente a los dems casos.

Figura 5-14 Datos de limpiadores de alfombras incluidos los casos de simulacin
La gura muestra una parte del archivo del plan correspondiente al estudio de los limpiadores de alfombras, al que se han aadido dos casos de simulacin. Por comodidad, se han incluido en carpet_plan.sav. El anlisis de los casos de simulacin se realiza utilizando la misma sintaxis de comandos utilizada anteriormente, es decir, la sintaxis del archivo conjoint.sps. De hecho, si ejecut la sintaxis descrita anteriormente habr notado que los resultados tambin incluan los correspondientes a los casos de simulacin, ya que se haban incluido en carpet_plan.sav. Puede elegir entre ejecutar las simulaciones junto con el anlisis inicial (como hemos hecho aqu) o ejecutar las simulaciones posteriormente, simplemente incluyendo los casos de simulacin en el archivo del plan y volviendo a ejecutar CONJOINT. Si desea obtener ms informacin, consulte la entrada correspondiente al comando CONJOINT en la referencia de sintaxis de comandos de SPSS (Command Syntax Reference).
Probabilidades de preferencias de las simulaciones

Figura 5-15 Resultados de la simulacin
Esta tabla ofrece las probabilidades pronosticadas de elegir cada uno de los casos de simulacin como el que ms se preere, segn tres modelos diferentes de probabilidad de eleccin. El modelo de utilidad mxima determina la probabilidad como el nmero de encuestados que se pronostica que elegirn el perl dividido por el nmero total de encuestados. Para cada encuestado, la eleccin pronosticada es sencillamente el perl con la mayor utilidad total. El modelo de Bradley-Terry-Luce (BTL) determina la probabilidad como la relacin de la utilidad de un perl
30 Captulo 5
respecto a todos los perles de simulacin, promediada en todos los encuestados. El modelo logit es simular al BTL pero utiliza el logaritmo natural de las utilidades en vez de las utilidades. En los 10 sujetos de este estudio, los tres modelos indican que se preferira el perl de simulacin 2.
Apndice
Archivos muestrales
Los archivos muestrales instalados con el producto se encuentran en el subdirectorio Samples del directorio de instalacin. Hay una carpeta independiente dentro del subdirectorio Samples para cada uno de los siguientes idiomas: Ingls, francs, alemn, italiano, japons, coreano, polaco, ruso, chino simplicado, espaol y chino tradicional. No todos los archivos muestrales estn disponibles en todos los idiomas. Si un archivo muestral no est disponible en un idioma, esa carpeta de idioma contendr una versin en ingls del archivo muestral.
Descripciones
A continuacin, se describen brevemente los archivos muestrales usados en varios ejemplos que aparecen a lo largo de la documentacin.
accidents.sav.Archivo de datos hipotticos sobre una compaa de seguros que estudia los
factores de riesgo de edad y gnero que inuyen en los accidentes de automviles de una regin determinada. Cada caso corresponde a una clasicacin cruzada de categora de edad y gnero.
adl.sav.Archivo de datos hipotticos relativo a los esfuerzos para determinar las ventajas de un
tipo propuesto de tratamiento para pacientes que han sufrido un derrame cerebral. Los mdicos dividieron de manera aleatoria a pacientes (mujeres) que haban sufrido un derrame cerebral en dos grupos. El primer grupo recibi el tratamiento fsico estndar y el segundo recibi un tratamiento emocional adicional. Tres meses despus de los tratamientos, se puntuaron las capacidades de cada paciente para realizar actividades cotidianas como variables ordinales.
advert.sav. Archivo de datos hipotticos sobre las iniciativas de un minorista para examinar
la relacin entre el dinero invertido en publicidad y las ventas resultantes. Para ello, se recopilaron las cifras de ventas anteriores y los costes de publicidad asociados.
aflatoxin.sav. Archivo de datos hipotticos sobre las pruebas realizadas en las cosechas de
maz con relacin a la aatoxina, un veneno cuya concentracin vara ampliamente en los rendimientos de cultivo y entre los mismos. Un procesador de grano ha recibido 16 muestras de cada uno de los 8 rendimientos de cultivo y ha medido los niveles de aatoxinas en partes por milln (PPM).

aflatoxin20.sav. Este archivo de datos contiene las medidas de aatoxina de cada una de las 16
muestras de los rendimientos 4 y 8 procedentes del archivo de datos aatoxin.sav.

anorectic.sav.Mientras trabajaban en una sintomatologa estandarizada del comportamiento
anorxico/bulmico, los investigadores (Van der Ham, Meulman, Van Strien, y Van Engeland, 1997) realizaron un estudio de 55 adolescentes con trastornos de la alimentacin conocidos. Cada paciente fue examinado cuatro veces durante cuatro aos, lo que representa un total
Copyright SPSS Inc. 1989, 2010 31
32 Apndice A
de 220 observaciones. En cada observacin, se puntu a los pacientes por cada uno de los 16 sntomas. Faltan las puntuaciones de los sntomas para el paciente 71 en el tiempo 2, el paciente 76 en el tiempo 2 y el paciente 47 en el tiempo 3, lo que nos deja 217 observaciones vlidas.
autoaccidents.sav. Archivo de datos hipotticos sobre las iniciativas de un analista de seguros
para elaborar un modelo del nmero de accidentes de automvil por conductor teniendo en cuenta la edad y el gnero del conductor. Cada caso representa un conductor diferente y registra el sexo, la edad en aos y el nmero de accidentes de automvil del conductor en los ltimos cinco aos.

band.sav Este archivo de datos contiene las cifras de ventas semanales hipotticas de CD de
msica de una banda. Tambin se incluyen datos para tres variables predictoras posibles.
bankloan.sav.Archivo de datos hipotticos sobre las iniciativas de un banco para reducir la
tasa de moras de crditos. El archivo contiene informacin nanciera y demogrca de 850 clientes anteriores y posibles clientes. Los primeros 700 casos son clientes a los que anteriormente se les ha concedido un prstamo. Al menos 150 casos son posibles clientes cuyos riesgos de crdito el banco necesita clasicar como positivos o negativos.

bankloan_binning.sav. Archivo de datos hipotticos que contiene informacin nanciera y
demogrca sobre 5.000 clientes anteriores.

behavior.sav. En un ejemplo clsico (Price y Bouffard, 1974), se pidi a 52 estudiantes
que valoraran las combinaciones de 15 situaciones y 15 comportamientos en una escala de 10 puntos que oscilaba entre 0 =extremadamente apropiado y 9=extremadamente inapropiado. Los valores promediados respecto a los individuos se toman como disimilaridades.

behavior_ini.sav. Este archivo de datos contiene una conguracin inicial para una solucin
bidimensional de behavior.sav.
brakes.sav. Archivo de datos hipotticos sobre el control de calidad de una fbrica que
produce frenos de disco para automviles de alto rendimiento. El archivo de datos contiene las medidas del dimetro de 16 discos de cada una de las 8 mquinas de produccin. El dimetro objetivo para los frenos es de 322 milmetros.
breakfast.sav.En un estudio clsico (Green y Rao, 1972), se pidi a 21 estudiantes de
administracin de empresas de la Wharton School y sus cnyuges que ordenaran 15 elementos de desayuno por orden de preferencia, de 1=ms preferido a 15=menos preferido. Sus preferencias se registraron en seis escenarios distintos, de Preferencia global a Aperitivo, con bebida slo.

breakfast-overall.sav. Este archivo de datos slo contiene las preferencias de elementos de
desayuno para el primer escenario, Preferencia global.

broadband_1.sav Archivo de datos hipotticos que contiene el nmero de suscriptores, por
regin, a un servicio de banda ancha nacional. El archivo de datos contiene nmeros de suscriptores mensuales para 85 regiones durante un perodo de cuatro aos.

broadband_2.sav Este archivo de datos es idntico a broadband_1.sav pero contiene datos
para tres meses adicionales.

car_insurance_claims.sav. Un conjunto de datos presentados y analizados en otro lugar
(McCullagh y Nelder, 1989) estudia las reclamaciones por daos en vehculos. La cantidad de reclamaciones media se puede modelar como si tuviera una distribucin Gamma, mediante
33 Archivos muestrales
una funcin de enlace inversa para relacionar la media de la variable dependiente con una combinacin lineal de la edad del asegurado, el tipo de vehculo y la antigedad del vehculo. El nmero de reclamaciones presentadas se puede utilizar como una ponderacin de escalamiento.
car_sales.sav. Este archivo de datos contiene estimaciones de ventas, precios de lista y
especicaciones fsicas hipotticas de varias marcas y modelos de vehculos. Los precios de lista y las especicaciones fsicas se han obtenido de edmunds.com y de sitios de fabricantes.

car_sales_uprepared.sav.sta es una versin modicada de car_sales.sav que no incluye
ninguna versin transformada de los campos.

carpet.sav En un ejemplo muy conocido (Green y Wind, 1973), una compaa interesada en
sacar al mercado un nuevo limpiador de alfombras desea examinar la inuencia de cinco factores sobre la preferencia del consumidor: diseo del producto, marca comercial, precio, sello de buen producto para el hogar y garanta de devolucin del importe. Hay tres niveles de factores para el diseo del producto, cada uno con una diferente colocacin del cepillo del aplicador; tres nombres comerciales (K2R, Glory y Bissell); tres niveles de precios; y dos niveles (no o s) para los dos ltimos factores. Diez consumidores clasicaron 22 perles denidos por estos factores. La variable Preferencia contiene el rango de las clasicaciones medias de cada perl. Las clasicaciones inferiores corresponden a preferencias elevadas. Esta variable reeja una medida global de la preferencia de cada perl.
carpet_prefs.sav Este archivo de datos se basa en el mismo ejemplo que el descrito para
carpet.sav, pero contiene las clasicaciones reales recogidas de cada uno de los 10 consumidores. Se pidi a los consumidores que clasicaran los 22 perles de los productos empezando por el menos preferido. Las variables desde PREF1 hasta PREF22 contienen los ID de los perles asociados, como se denen en carpet_plan.sav.
catalog.savEste archivo de datos contiene cifras de ventas mensuales hipotticas de tres
productos vendidos por una compaa de venta por catlogo. Tambin se incluyen datos para cinco variables predictoras posibles.
catalog_seasfac.savEste archivo de datos es igual que catalog.sav, con la excepcin de
que incluye un conjunto de factores estacionales calculados a partir del procedimiento Descomposicin estacional junto con las variables de fecha que lo acompaan.
cellular.sav. Archivo de datos hipotticos sobre las iniciativas de una compaa de telefona
mvil para reducir el abandono de clientes. Las puntuaciones de propensin al abandono de clientes se aplican a las cuentas, oscilando de 0 a 100. Las cuentas con una puntuacin de 50 o superior pueden estar buscando otros proveedores.
ceramics.sav.Archivo de datos hipotticos sobre las iniciativas de un fabricante para
determinar si una nueva aleacin de calidad tiene una mayor resistencia al calor que una aleacin estndar. Cada caso representa una prueba independiente de una de las aleaciones; la temperatura a la que registr el fallo del rodamiento.
cereal.sav. Archivo de datos hipotticos sobre una encuesta realizada a 880 personas sobre
sus preferencias en el desayuno, teniendo tambin en cuenta su edad, sexo, estado civil y si tienen un estilo de vida activo o no (en funcin de si practican ejercicio al menos dos veces a la semana). Cada caso representa un encuestado diferente.
clothing_defects.sav. Archivo de datos hipotticos sobre el proceso de control de calidad en
una fbrica de prendas. Los inspectores toman una muestra de prendas de cada lote producido en la fbrica, y cuentan el nmero de prendas que no son aceptables.
34 Apndice A
coffee.sav. Este archivo de datos pertenece a las imgenes percibidas de seis marcas de caf
helado (Kennedy, Riquier, y Sharp, 1996). Para cada uno de los 23 atributos de imagen de caf helado, los encuestados seleccionaron todas las marcas que quedaban descritas por el atributo. Las seis marcas se denotan AA, BB, CC, DD, EE y FF para mantener la condencialidad.
contacts.sav.Archivo de datos hipotticos sobre las listas de contactos de un grupo de
representantes de ventas de ordenadores de empresa. Cada uno de los contactos est categorizado por el departamento de la compaa en el que trabaja y su categora en la compaa. Adems, tambin se registran los importes de la ltima venta realizada, el tiempo transcurrido desde la ltima venta y el tamao de la compaa del contacto.
creditpromo.sav. Archivo de datos hipotticos sobre las iniciativas de unos almacenes
para evaluar la ecacia de una promocin de tarjetas de crdito reciente. Para este n, se seleccionaron aleatoriamente 500 titulares. La mitad recibieron un anuncio promocionando una tasa de inters reducida sobre las ventas realizadas en los siguientes tres meses. La otra mitad recibi un anuncio estacional estndar.
customer_dbase.sav. Archivo de datos hipotticos sobre las iniciativas de una compaa para
usar la informacin de su almacn de datos para realizar ofertas especiales a los clientes con ms probabilidades de responder. Se seleccion un subconjunto de la base de clientes aleatoriamente a quienes se ofrecieron las ofertas especiales y sus respuestas se registraron.

customer_information.sav. Archivo de datos hipotticos que contiene la informacin de correo
del cliente, como el nombre y la direccin.

customer_subset.sav. Un subconjunto de 80 casos de customer_dbase.sav. customers_model.sav. Este archivo contiene datos hipotticos sobre los individuos a los que
va dirigida una campaa de marketing. Estos datos incluyen informacin demogrca, un resumen del historial de compras y si cada individuo respondi a la campaa. Cada caso representa un individuo diferente.
customers_new.sav. Este archivo contiene datos hipotticos sobre los individuos que son
candidatos potenciales para una campaa de marketing. Estos datos incluyen informacin demogrca y un resumen del historial de compras de cada individuo. Cada caso representa un individuo diferente.
debate.sav. Archivos de datos hipotticos sobre las respuestas emparejadas de una encuesta
realizada a los asistentes a un debate poltico antes y despus del debate. Cada caso corresponde a un encuestado diferente.

debate_aggregate.sav. Archivo de datos hipotticos que agrega las respuestas de debate.sav.
Cada caso corresponde a una clasicacin cruzada de preferencias antes y despus del debate.
demo.sav. Archivos de datos hipotticos sobre una base de datos de clientes adquirida con
el n de enviar por correo ofertas mensuales. Se registra si el cliente respondi a la oferta, junto con informacin demogrca diversa.
demo_cs_1.sav.Archivo de datos hipotticos sobre el primer paso de las iniciativas de
una compaa para recopilar una base de datos de informacin de encuestas. Cada caso corresponde a una ciudad diferente, y se registra la identicacin de la ciudad, la regin, la provincia y el distrito.
demo_cs_2.sav.Archivo de datos hipotticos sobre el segundo paso de las iniciativas de
una compaa para recopilar una base de datos de informacin de encuestas. Cada caso corresponde a una unidad familiar diferente de las ciudades seleccionadas en el primer paso, y
se registra la identicacin de la unidad, la subdivisin, la ciudad, el distrito, la provincia y la regin. Tambin se incluye la informacin de muestreo de las primeras dos etapas del diseo.
demo_cs.sav.Archivo de datos hipotticos que contiene informacin de encuestas recopilada
mediante un diseo de muestreo complejo. Cada caso corresponde a una unidad familiar distinta, y se recopila informacin demogrca y de muestreo diversa.
dmdata.sav. ste es un archivo de datos hipotticos que contiene informacin demogrca
y de compras para una empresa de marketing directo. dmdata2.sav contiene informacin para un subconjunto de contactos que recibi un envo de prueba, y dmdata3.sav contiene informacin sobre el resto de contactos que no recibieron el envo de prueba.
dietstudy.sav.Este archivo de datos hipotticos contiene los resultados de un estudio sobre la
dieta Stillman (Rickman, Mitchell, Dingman, y Dalen, 1974). Cada caso corresponde a un sujeto distinto y registra sus pesos antes y despus de la dieta en libras y niveles de triglicridos en mg/100 ml.
dvdplayer.sav. Archivo de datos hipotticos sobre el desarrollo de un nuevo reproductor de
DVD. El equipo de marketing ha recopilado datos de grupo de enfoque mediante un prototipo. Cada caso corresponde a un usuario encuestado diferente y registra informacin demogrca sobre los encuestados y sus respuestas a preguntas acerca del prototipo.
german_credit.sav.Este archivo de datos se toma del conjunto de datos German credit de
las Repository of Machine Learning Databases (Blake y Merz, 1998) de la Universidad de California, Irvine.
grocery_1month.sav. Este archivo de datos hipotticos es el archivo de datos
grocery_coupons.sav con las compras semanales acumuladas para que cada caso corresponda a un cliente diferente. Algunas de las variables que cambiaban semanalmente desaparecen de los resultados, y la cantidad gastada registrada se convierte ahora en la suma de las cantidades gastadas durante las cuatro semanas del estudio.
grocery_coupons.sav. Archivo de datos hipotticos que contiene datos de encuestas
recopilados por una cadena de tiendas de alimentacin interesada en los hbitos de compra de sus clientes. Se sigue a cada cliente durante cuatro semanas, y cada caso corresponde a un cliente-semana distinto y registra informacin sobre dnde y cmo compran los clientes, incluida la cantidad que invierten en comestibles durante esa semana.
guttman.sav.Bell (Bell, 1961) present una tabla para ilustrar posibles grupos sociales.
Guttman (Guttman, 1968) utiliz parte de esta tabla, en la que se cruzaron cinco variables que describan elementos como la interaccin social, sentimientos de pertenencia a un grupo, proximidad fsica de los miembros y grado de formalizacin de la relacin con siete grupos sociales tericos, incluidos multitudes (por ejemplo, las personas que acuden a un partido de ftbol), espectadores (por ejemplo, las personas que acuden a un teatro o de una conferencia), pblicos (por ejemplo, los lectores de peridicos o los espectadores de televisin), muchedumbres (como una multitud pero con una interaccin mucho ms intensa), grupos primarios (ntimos), grupos secundarios (voluntarios) y la comunidad moderna (confederacin dbil que resulta de la proximidad cercana fsica y de la necesidad de servicios especializados).
health_funding.sav. Archivo de datos hipotticos que contiene datos sobre inversin en sanidad
(cantidad por 100 personas), tasas de enfermedad (ndice por 10.000 personas) y visitas a centros de salud (ndice por 10.000 personas). Cada caso representa una ciudad diferente.
36 Apndice A
hivassay.sav. Archivo de datos hipotticos sobre las iniciativas de un laboratorio farmacutico
para desarrollar un ensayo rpido para detectar la infeccin por VIH. Los resultados del ensayo son ocho tonos de rojo con diferentes intensidades, donde los tonos ms oscuros indican una mayor probabilidad de infeccin. Se llev a cabo una prueba de laboratorio de 2.000 muestras de sangre, de las cuales una mitad estaba infectada con el VIH y la otra estaba limpia.

hourlywagedata.sav. Archivo de datos hipotticos sobre los salarios por horas de enfermeras
de puestos de ocina y hospitales y con niveles distintos de experiencia.

insurance_claims.sav. ste es un archivo de datos hipotticos sobre una compaa de seguros
que desee generar un modelo para etiquetar las reclamaciones sospechosas y potencialmente fraudulentas. Cada caso representa una reclamacin diferente.
insure.sav. Archivo de datos hipotticos sobre una compaa de seguros que estudia los
factores de riesgo que indican si un cliente tendr que hacer una reclamacin a lo largo de un contrato de seguro de vida de 10 aos. Cada caso del archivo de datos representa un par de contratos (de los que uno registr una reclamacin y el otro no), agrupados por edad y sexo.
judges.sav. Archivo de datos hipotticos sobre las puntuaciones concedidas por jueces
cualicados (y un acionado) a 300 actuaciones gimnsticas. Cada la representa una actuacin diferente; los jueces vieron las mismas actuaciones.
kinship_dat.sav. Rosenberg y Kim (Rosenberg y Kim, 1975) comenzaron a analizar 15
trminos de parentesco [ta, hermano, primos, hija, padre, nieta, abuelo, abuela, nieto, madre, sobrino, sobrina, hermana, hijo, to]. Le pidieron a cuatro grupos de estudiantes universitarios (dos masculinos y dos femeninos) que ordenaran estos grupos segn las similitudes. A dos grupos (uno masculino y otro femenino) se les pidi que realizaran la ordenacin dos veces, pero que la segunda ordenacin la hicieran segn criterios distintos a los de la primera. As, se obtuvo un total de seis fuentes. Cada fuente se corresponde con una matriz de proximidades cuyas casillas son iguales al nmero de personas de una fuente menos el nmero de de veces que se particionaron los objetos en esa fuente.

kinship_ini.sav. Este archivo de datos contiene una conguracin inicial para una solucin
tridimensional de kinship_dat.sav.
kinship_var.sav. Este archivo de datos contiene variables independientes sexo, gener(acin), y
grado (de separacin) que se pueden usar para interpretar las dimensiones de una solucin para kinship_dat.sav. Concretamente, se pueden usar para restringir el espacio de la solucin a una combinacin lineal de estas variables.

marketvalues.sav. Archivo de datos sobre las ventas de casas en una nueva urbanizacin de
Algonquin, Ill., durante los aos 1999 y 2000. Los datos de estas ventas son pblicos.
nhis2000_subset.sav. La National Health Interview Survey (NHIS, encuesta del Centro
Nacional de Estadsticas de Salud de EE.UU.) es una encuesta detallada realizada entre la poblacin civil de Estados Unidos. Las encuestas se realizaron en persona a una muestra representativa de las unidades familiares del pas. Se recogi tanto la informacin demogrca como las observaciones acerca del estado y los hbitos de salud de los integrantes de cada unidad familiar. Este archivo de datos contiene un subconjunto de informacin de la encuesta de 2000. National Center for Health Statistics. National Health Interview Survey, 2000. Archivo de datos y documentacin de uso pblico. ftp://ftp.cdc.gov/pub/Health_Statistics/NCHS/Datasets/NHIS/2000/. Fecha de acceso: 2003.
ozono.sav. Los datos incluyen 330 observaciones de seis variables meteorolgicas para
pronosticar la concentracin de ozono a partir del resto de variables. Los investigadores anteriores(Breiman y Friedman, 1985), (Hastie y Tibshirani, 1990) han encontrado que no hay linealidad entre estas variables, lo que diculta los mtodos de regresin tpica.
pain_medication.sav. Este archivo de datos hipotticos contiene los resultados de una prueba
clnica sobre medicacin antiinamatoria para tratar el dolor artrtico crnico. Resulta de particular inters el tiempo que tarda el frmaco en hacer efecto y cmo se compara con una medicacin existente.
patient_los.sav. Este archivo de datos hipotticos contiene los registros de tratamiento de
pacientes que fueron admitidos en el hospital ante la posibilidad de sufrir un infarto de miocardio (IM o ataque al corazn). Cada caso corresponde a un paciente distinto y registra diversas variables relacionadas con su estancia hospitalaria.
patlos_sample.sav. Este archivo de datos hipotticos contiene los registros de tratamiento de
una muestra de pacientes que recibieron trombolticos durante el tratamiento del infarto de miocardio (IM o ataque al corazn). Cada caso corresponde a un paciente distinto y registra diversas variables relacionadas con su estancia hospitalaria.
polishing.sav. Archivo de datos Nambeware Polishing Times (Tiempo de pulido de metal)
de la biblioteca de datos e historiales. Contiene datos sobre las iniciativas de un fabricante de cuberteras de metal (Nambe Mills, Santa Fe, N. M.) para planicar su programa de produccin. Cada caso representa un artculo distinto de la lnea de productos. Se registra el dimetro, el tiempo de pulido, el precio y el tipo de producto de cada artculo.
poll_cs.sav. Archivo de datos hipotticos sobre las iniciativas de los encuestadores para
determinar el nivel de apoyo pblico a una ley antes de una asamblea legislativa. Los casos corresponden a votantes registrados. Cada caso registra el condado, la poblacin y el vecindario en el que vive el votante.
poll_cs_sample.sav. Este archivo de datos hipotticos contiene una muestra de los votantes
enumerados en poll_cs.sav. La muestra se tom segn el diseo especicado en el archivo de plan poll.csplan y este archivo de datos registra las probabilidades de inclusin y las ponderaciones muestrales. Sin embargo, tenga en cuenta que debido a que el plan muestral hace uso de un mtodo de probabilidad proporcional al tamao (PPS), tambin existe un archivo que contiene las probabilidades de seleccin conjunta (poll_jointprob.sav). Las variables adicionales que corresponden a los datos demogrcos de los votantes y sus opiniones sobre la propuesta de ley se recopilaron y aadieron al archivo de datos despus de tomar la muestra.
property_assess.sav. Archivo de datos hipotticos sobre las iniciativas de un asesor del
condado para mantener actualizada la evaluacin de los valores de las propiedades utilizando recursos limitados. Los casos corresponden a las propiedades vendidas en el condado el ao anterior. Cada caso del archivo de datos registra la poblacin en que se encuentra la propiedad, el ltimo asesor que visit la propiedad, el tiempo transcurrido desde la ltima evaluacin, la valoracin realizada en ese momento y el valor de venta de la propiedad.
property_assess_cs.sav. Archivo de datos hipotticos sobre las iniciativas de un asesor de un
estado para mantener actualizada la evaluacin de los valores de las propiedades utilizando recursos limitados. Los casos corresponden a propiedades del estado. Cada caso del archivo de datos registra el condado, la poblacin y el vecindario en el que se encuentra la propiedad, el tiempo transcurrido desde la ltima evaluacin y la valoracin realizada en ese momento.
38 Apndice A
property_assess_cs_sample.savEste archivo de datos hipotticos contiene una muestra de las
propiedades recogidas en property_assess_cs.sav. La muestra se tom en funcin del diseo especicado en el archivo de plan property_assess.csplan, y este archivo de datos registra las probabilidades de inclusin y las ponderaciones muestrales. La variable adicional Valor actual se recopil y aadi al archivo de datos despus de tomar la muestra.
recidivism.sav. Archivo de datos hipotticos sobre las iniciativas de una agencia de orden
pblico para comprender los ndices de reincidencia en su rea de jurisdiccin. Cada caso corresponde a un infractor anterior y registra su informacin demogrca, algunos detalles de su primer delito y, a continuacin, el tiempo transcurrido desde su segundo arresto, si ocurri en los dos aos posteriores al primer arresto.
recidivism_cs_sample.sav. Archivo de datos hipotticos sobre las iniciativas de una agencia de
orden pblico para comprender los ndices de reincidencia en su rea de jurisdiccin. Cada caso corresponde a un delincuente anterior, puesto en libertad tras su primer arresto durante el mes de junio de 2003 y registra su informacin demogrca, algunos detalles de su primer delito y los datos de su segundo arresto, si se produjo antes de nales de junio de 2006. Los delincuentes se seleccionaron de una muestra de departamentos segn el plan de muestreo especicado en recidivism_cs.csplan. Como este plan utiliza un mtodo de probabilidad proporcional al tamao (PPS), tambin existe un archivo que contiene las probabilidades de seleccin conjunta (recidivism_cs_jointprob.sav).

rfm_transactions.sav. Archivo de datos hipotticos que contiene datos de transacciones de
compra, incluida la fecha de compra, los artculos adquiridos y el importe de cada transaccin.
salesperformance.sav. Archivo de datos hipotticos sobre la evaluacin de dos nuevos cursos
de formacin de ventas. Sesenta empleados, divididos en tres grupos, reciben formacin estndar. Adems, el grupo 2 recibe formacin tcnica; el grupo 3, un tutorial prctico. Cada empleado se someti a un examen al nal del curso de formacin y se registr su puntuacin. Cada caso del archivo de datos representa a un alumno distinto y registra el grupo al que fue asignado y la puntuacin que obtuvo en el examen.
satisf.sav. Archivo de datos hipotticos sobre una encuesta de satisfaccin llevada a cabo por
una empresa minorista en cuatro tiendas. Se encuest a 582 clientes en total y cada caso representa las respuestas de un nico cliente.

screws.sav Este archivo de datos contiene informacin acerca de las caractersticas de
tornillos, pernos, clavos y tacos (Hartigan, 1975).

shampoo_ph.sav.Archivo de datos hipotticos sobre el control de calidad en una fbrica de
productos para el cabello. Se midieron seis lotes de resultados distintos en intervalos regulares y se registr su pH. El intervalo objetivo es de 4,5 a 5,5.
ships.sav. Un conjunto de datos presentados y analizados en otro lugar (McCullagh et al.,
1989) sobre los daos en los cargueros producidos por las olas. Los recuentos de incidentes se pueden modelar como si ocurrieran con una tasa de Poisson dado el tipo de barco, el perodo de construccin y el perodo de servicio. Los meses de servicio agregados para cada casilla de la tabla formados por la clasicacin cruzada de factores proporcionan valores para la exposicin al riesgo.
site.sav.Archivo de datos hipotticos sobre las iniciativas de una compaa para seleccionar
sitios nuevos para sus negocios en expansin. Se ha contratado a dos consultores para evaluar los sitios de forma independiente, quienes, adems de un informe completo, han resumido cada sitio como una posibilidad buena, media o baja.
smokers.sav.Este archivo de datos es un resumen de la encuesta sobre toxicomana 1998
National Household Survey of Drug Abuse y es una muestra de probabilidad de unidades familiares americanas. (http://dx.doi.org/10.3886/ICPSR02934) As, el primer paso de un anlisis de este archivo de datos debe ser ponderar los datos para reejar las tendencias de poblacin.
stroke_clean.sav. Este archivo de datos hipotticos contiene el estado de una base de datos
mdica despus de haberla limpiado mediante los procedimientos de la opcin Preparacin de datos.

stroke_invalid.sav. Este archivo de datos hipotticos contiene el estado inicial de una base de
datos mdica que incluye contiene varios errores de entrada de datos.

stroke_survival. Este archivo de datos hipotticos registra los tiempos de supervivencia de
los pacientes que nalizan un programa de rehabilitacin tras un ataque isqumico. Tras el ataque, la ocurrencia de infarto de miocardio, ataque isqumico o ataque hemorrgico se anotan junto con el momento en el que se produce el evento registrado. La muestra est truncada a la izquierda ya que nicamente incluye a los pacientes que han sobrevivido al nal del programa de rehabilitacin administrado tras el ataque.
stroke_valid.sav. Este archivo de datos hipotticos contiene el estado de una base de datos
mdica despus de haber comprobado los valores mediante el procedimiento Validar datos. Sigue conteniendo casos potencialmente anmalos.
survey_sample.sav. Este archivo de datos contiene datos de encuestas, incluyendo datos
demogrcos y diferentes medidas de actitud. Se basa en un subconjunto de variables de NORC General Social Survey de 1998, aunque algunos valores de datos se han modicado y que existen variables cticias adicionales se han aadido para demostraciones.
telco.sav. Archivo de datos hipotticos sobre las iniciativas de una compaa de
telecomunicaciones para reducir el abandono de clientes en su base de clientes. Cada caso corresponde a un cliente distinto y registra diversa informacin demogrca y de uso del servicio.
telco_extra.sav. Este archivo de datos es similar al archivo de datos telco.sav, pero las variables
de meses con servicio y gasto de clientes transformadas logartmicamente se han eliminado y sustituido por variables de gasto del cliente transformadas logartmicamente tipicadas.

telco_missing.sav. Este archivo de datos es un subconjunto del archivo de datos telco.sav, pero
algunos valores de datos demogrcos se han sustituido con valores perdidos.

testmarket.sav. Archivo de datos hipotticos sobre los planes de una cadena de comida rpida
para aadir un nuevo artculo a su men. Hay tres campaas posibles para promocionar el nuevo producto, por lo que el artculo se presenta en ubicaciones de varios mercados seleccionados aleatoriamente. Se utiliza una promocin diferente en cada ubicacin y se registran las ventas semanales del nuevo artculo durante las primeras cuatro semanas. Cada caso corresponde a una ubicacin semanal diferente.
testmarket_1month.sav. Este archivo de datos hipotticos es el archivo de datos testmarket.sav
con las ventas semanales acumuladas para que cada caso corresponda a una ubicacin diferente. Como resultado, algunas de las variables que cambiaban semanalmente desaparecen y las ventas registradas se convierten en la suma de las ventas realizadas durante las cuatro semanas del estudio.
tree_car.sav. Archivo de datos hipotticos que contiene datos demogrcos y de precios
de compra de vehculos.
40 Apndice A
tree_credit.sav Archivo de datos hipotticos que contiene datos demogrcos y de historial de
crditos bancarios.
tree_missing_data.sav Archivo de datos hipotticos que contiene datos demogrcos y de
historial de crditos bancarios con un elevado nmero de valores perdidos.

tree_score_car.sav. Archivo de datos hipotticos que contiene datos demogrcos y de precios
de compra de vehculos.
tree_textdata.sav. Archivo de datos sencillos con dos variables diseadas principalmente para
mostrar el estado por defecto de las variables antes de realizar la asignacin de nivel de medida y etiquetas de valor.
tv-survey.sav. Archivo de datos hipotticos sobre una encuesta dirigida por un estudio de
TV que est considerando la posibilidad de ampliar la emisin de un programa de xito. Se pregunt a 906 encuestados si veran el programa en distintas condiciones. Cada la representa un encuestado diferente; cada columna es una condicin diferente.
ulcer_recurrence.sav. Este archivo contiene informacin parcial de un estudio diseado para
comparar la ecacia de dos tratamientos para prevenir la reaparicin de lceras. Constituye un buen ejemplo de datos censurados por intervalos y se ha presentado y analizado en otro lugar (Collett, 2003).
ulcer_recurrence_recoded.sav. Este archivo reorganiza la informacin de ulcer_recurrence.sav
para permitir modelar la probabilidad de eventos de cada intervalo del estudio en lugar de slo la probabilidad de eventos al nal del estudio. Se ha presentado y analizado en otro lugar (Collett et al., 2003).
verd1985.sav. Archivo de datos sobre una encuesta (Verdegaal, 1985). Se han registrado las
respuestas de 15 sujetos a 8 variables. Se han dividido las variables de inters en tres grupos. El conjunto 1 incluye edad y ecivil, el conjunto 2 incluye mascota y noticia, mientras que el conjunto 3 incluye msica y vivir. Se escala mascota como nominal mltiple y edad como ordinal; el resto de variables se escalan como nominal simple.
virus.sav.Archivo de datos hipotticos sobre las iniciativas de un proveedor de servicios de
Internet (ISP) para determinar los efectos de un virus en sus redes. Se ha realizado un seguimiento (aproximado) del porcentaje de trco de correos electrnicos infectados en sus redes a lo largo del tiempo, desde el momento en que se descubre hasta que la amenaza se contiene.
wheeze_steubenville.sav. Subconjunto de un estudio longitudinal de los efectos sobre la salud
de la polucin del aire en los nios (Ware, Dockery, Spiro III, Speizer, y Ferris Jr., 1984). Los datos contienen medidas binarias repetidas del estado de las sibilancias en nios de Steubenville, Ohio, con edades de 7, 8, 9 y 10 aos, junto con un registro jo de si la madre era fumadora durante el primer ao del estudio.
workprog.sav. Archivo de datos hipotticos sobre un programa de obras del gobierno que
intenta colocar a personas desfavorecidas en mejores trabajos. Se sigui una muestra de participantes potenciales del programa, algunos de los cuales se seleccionaron aleatoriamente para entrar en el programa, mientras que otros no siguieron esta seleccin aleatoria. Cada caso representa un participante del programa diferente.
Apndice
Notices
Licensed Materials Property of SPSS Inc., an IBM Company. Copyright SPSS Inc. 1989, 2010. Patent No. 7,023,453
The following paragraph does not apply to the United Kingdom or any other country where such provisions are inconsistent with local law: SPSS INC., AN IBM COMPANY, PROVIDES THIS
PUBLICATION AS IS WITHOUT WARRANTY OF ANY KIND, EITHER EXPRESS OR IMPLIED, INCLUDING, BUT NOT LIMITED TO, THE IMPLIED WARRANTIES OF NON-INFRINGEMENT, MERCHANTABILITY OR FITNESS FOR A PARTICULAR PURPOSE. Some states do not allow disclaimer of express or implied warranties in certain transactions, therefore, this statement may not apply to you. This information could include technical inaccuracies or typographical errors. Changes are periodically made to the information herein; these changes will be incorporated in new editions of the publication. SPSS Inc. may make improvements and/or changes in the product(s) and/or the program(s) described in this publication at any time without notice. Any references in this information to non-SPSS and non-IBM Web sites are provided for convenience only and do not in any manner serve as an endorsement of those Web sites. The materials at those Web sites are not part of the materials for this SPSS Inc. product and use of those Web sites is at your own risk. When you send information to IBM or SPSS, you grant IBM and SPSS a nonexclusive right to use or distribute the information in any way it believes appropriate without incurring any obligation to you. Information concerning non-SPSS products was obtained from the suppliers of those products, their published announcements or other publicly available sources. SPSS has not tested those products and cannot conrm the accuracy of performance, compatibility or any other claims related to non-SPSS products. Questions on the capabilities of non-SPSS products should be addressed to the suppliers of those products. This information contains examples of data and reports used in daily business operations. To illustrate them as completely as possible, the examples include the names of individuals, companies, brands, and products. All of these names are ctitious and any similarity to the names and addresses used by an actual business enterprise is entirely coincidental. COPYRIGHT LICENSE: This information contains sample application programs in source language, which illustrate programming techniques on various operating platforms. You may copy, modify, and distribute these sample programs in any form without payment to SPSS Inc., for the purposes of developing,
Copyright SPSS Inc. 1989, 2010 41
42 Apndice B
using, marketing or distributing application programs conforming to the application programming interface for the operating platform for which the sample programs are written. These examples have not been thoroughly tested under all conditions. SPSS Inc., therefore, cannot guarantee or imply reliability, serviceability, or function of these programs. The sample programs are provided AS IS, without warranty of any kind. SPSS Inc. shall not be liable for any damages arising out of your use of the sample programs.
Trademarks
IBM, the IBM logo, and ibm.com are trademarks of IBM Corporation, registered in many jurisdictions worldwide. A current list of IBM trademarks is available on the Web at http://www.ibm.com/legal/copytrade.shmtl. SPSS is a trademark of SPSS Inc., an IBM Company, registered in many jurisdictions worldwide. Adobe, the Adobe logo, PostScript, and the PostScript logo are either registered trademarks or trademarks of Adobe Systems Incorporated in the United States, and/or other countries. Intel, Intel logo, Intel Inside, Intel Inside logo, Intel Centrino, Intel Centrino logo, Celeron, Intel Xeon, Intel SpeedStep, Itanium, and Pentium are trademarks or registered trademarks of Intel Corporation or its subsidiaries in the United States and other countries. Linux is a registered trademark of Linus Torvalds in the United States, other countries, or both. Microsoft, Windows, Windows NT, and the Windows logo are trademarks of Microsoft Corporation in the United States, other countries, or both. UNIX is a registered trademark of The Open Group in the United States and other countries. Java and all Java-based trademarks and logos are trademarks of Sun Microsystems, Inc. in the United States, other countries, or both. This product uses WinWrap Basic, Copyright 1993-2007, Polar Engineering and Consulting, http://www.winwrap.com. Other product and service names might be trademarks of IBM, SPSS, or other companies. Adobe product screenshot(s) reprinted with permission from Adobe Systems Incorporated. Microsoft product screenshot(s) reprinted with permission from Microsoft Corporation.
Bibliografa
Akaah, I. P., y P. K. Korgaonkar. 1988. A conjoint investigation of the relative importance of risk relievers in direct marketing. Journal of Advertising Research, 28:4, . Bell, E. H. 1961. Social foundations of human behavior: Introduction to the study of sociology. Nueva York: Harper & Row. Blake, C. L., y C. J. Merz. 1998. "UCI Repository of machine learning databases." Available at http://www.ics.uci.edu/~mlearn/MLRepository.html. Breiman, L., y J. H. Friedman. 1985. Estimating optimal transformations for multiple regression and correlation. Journal of the American Statistical Association, 80, . Cattin, P., y D. R. Wittink. 1982. Commercial use of conjoint analysis: A survey. Journal of Marketing, 46:3, . Collett, D. 2003. Modelling survival data in medical research, 2 ed. Boca Raton: Chapman & Hall/CRC. Green, P. E., y V. Rao. 1972. Applied multidimensional scaling. Hinsdale, Ill.: Dryden Press. Green, P. E., y Y. Wind. 1973. Multiattribute decisions in marketing: A measurement approach. Hinsdale, Ill.: Dryden Press. Guttman, L. 1968. A general nonmetric technique for nding the smallest coordinate space for congurations of points. Psychometrika, 33, . Hartigan, J. A. 1975. Clustering algorithms. Nueva York: John Wiley and Sons. Hastie, T., y R. Tibshirani. 1990. Generalized additive models. Londres: Chapman and Hall. Kennedy, R., C. Riquier, y B. Sharp. 1996. Practical applications of correspondence analysis to categorical data in market research. Journal of Targeting, Measurement, and Analysis for Marketing, 5, . McCullagh, P., y J. A. Nelder. 1989. Modelos lineales generalizados, 2nd ed. Londres: Chapman & Hall. Price, R. H., y D. L. Bouffard. 1974. Behavioral appropriateness and situational constraints as dimensions of social behavior. Journal of Personality and Social Psychology, 30, . Rickman, R., N. Mitchell, J. Dingman, y J. E. Dalen. 1974. Changes in serum cholesterol during the Stillman Diet. Journal of the American Medical Association, 228, . Rosenberg, S., y M. P. Kim. 1975. The method of sorting as a data-gathering procedure in multivariate research. Multivariate Behavioral Research, 10, . Van der Ham, T., J. J. Meulman, D. C. Van Strien, y H. Van Engeland. 1997. Empirically based subgrouping of eating disorders in adolescents: A longitudinal perspective. British Journal of Psychiatry, 170, . Verdegaal, R. 1985. Meer sets analyse voor kwalitatieve gegevens (en neerlands). Leiden: Department of Data Theory, University of Leiden.
43
44 Bibliografa
Ware, J. H., D. W. Dockery, A. Spiro III, F. E. Speizer, y B. G. Ferris Jr.. 1984. Passive smoking, gas cooking, and respiratory health of children living in six cities. American Review of Respiratory Diseases, 129, .
ndice
archivos de datos en Generar diseo ortogonal, 5 archivos de ejemplo posicin, 31 )CARD en Mostrar el diseo, 10 casos de simulacin, 3, 14, 28 en Generar diseo ortogonal, 8 casos reservados, 2 en Generar diseo ortogonal, 8 coecientes, 26 coecientes de correlacin, 27 diseos ortogonales casos mnimos, 8 casos reservados, 8 generacin, 5, 18 presentacin, 9, 21 enfoque de perl completo, 2 factores, 2, 1718 formato de lista en Mostrar el diseo, 9 formato de un slo perl en Mostrar el diseo, 9 Generar diseo ortogonal, 2, 5, 18 archivos de datos, 5 casos de simulacin, 8 casos mnimos, 8 casos reservados, 8 denicin de nombres de factores, etiquetas y valores, 7 semilla de aleatorizacin, 5 inversiones, 28 legal notices, 41 matriz ortogonal, 2 modelo antiideal, 25 modelo de Bradley-Terry-Luce (BTL), 29 modelo de utilidad mxima, 29 modelo discreto, 24 modelo ideal, 25 modelo lineal, 25
45
modelo logit, 29 Mostrar el diseo, 2, 9, 21 )CARD, 10 formato de lista, 9 formato de un slo perl, 9 guardar perles, 10 pies, 10 ttulos, 10 niveles de los factores, 2, 1718 pies en Mostrar el diseo, 10 puntuaciones de importancia, 27 puntuaciones de utilidad, 3, 25 r de Pearson, 27 resultados de la simulacin modelo de Bradley-Terry-Luce (BTL), 29 modelo de utilidad mxima, 29 modelo logit, 29 semilla de aleatorizacin en Generar diseo ortogonal, 5 sintaxis comando CONJOINT, 24 sintaxis de comandos comando CONJOINT, 24 tamao muestral, 3 tau de Kendall, 27 ttulos en Mostrar el diseo, 10 trademarks, 42 utilidad total, 25 valores de importancia, 27 valores parciales, 3 variable card_ en Generar diseo ortogonal, 5 variable status_ en Generar diseo ortogonal, 5

Análisis Conjunto

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Análisis Conjunto

Hochgeladen von

Copyright:

Verfügbare Formate

i

IBM SPSS Conjoint 19

Acerca de SPSS Inc., an IBM Company

Servicio de atencin al cliente

Copyright SPSS Inc. 1989, 2010

Parte I: Manual del usuario 2 Generacin de un diseo ortogonal 5

Mostrar ttulos de diseos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Funciones adicionales del comando PLANCARDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

Ejecucin de un anlisis conjunto

Apndices A Archivos muestrales B Notices Bibliografa ndice 31 41 43 45

Introduccin al Anlisis conjunto

Copyright SPSS Inc. 1989, 2010

Enfoque de perfil completo

3 Introduccin al Anlisis conjunto

Recopilacin y anlisis de datos

Parte I: Manual del usuario

Generacin de un diseo ortogonal

Copyright SPSS Inc. 1989, 2010

6 Captulo 2 Figura 2-1 Cuadro de dilogo Generar diseo ortogonal

nuevo conjunto de datos en la sesin actual o en un archivo de datos externo.

contiene los factores y los casos generados por el plan.

7 Generacin de un diseo ortogonal

Definicin de valores para un diseo ortogonal

Opciones del diseo ortogonal

hayan incluido en el anlisis conjunto.

Funciones adicionales del comando ORTHOPLAN

Formato. Puede elegir una o ms de las siguientes opciones de formato:

Listado para el experimentador. Muestra el diseo en un formato de borrador que distingue

Pulsar en Ttulos para denir los encabezados y pies de los perles.

Copyright SPSS Inc. 1989, 2010

Mostrar ttulos de diseos

Funciones adicionales del comando PLANCARDS

Escribir perles para sujetos en un archivo externo (mediante el subcomando OUTFILE).

Ejecucin de un anlisis conjunto

Para ejecutar un comando desde una ventana de sintaxis

Elija en los mens:

Se abrir una ventana de sintaxis.

Especificacin del archivo del plan y el archivo de datos

Especificacin de la forma de registrar los datos

13 Ejecucin de un anlisis conjunto CONJOINT PLAN=* /DATA='RUGRANKS.SAV' /RANK=RANK1 TO RANK22.

La siguiente sintaxis de comandos proporciona un ejemplo con el subcomando FACTORS:

15 Ejecucin de un anlisis conjunto

Parte II: Ejemplos

Nombre de variable formato marca precio sello importe

Copyright SPSS Inc. 1989, 2010

Generacin de un diseo ortogonal

de texto Etiqueta del factor.

tambin las etiquetas A*, B* y C*.

sello de buen producto para 1, 2 el hogar garanta de devolucin del 1, 2 importe

Una vez que haya rellenado las especicaciones de los factores:

E En el cuadro de texto Generar como mnimo, escriba 18.

Generacin del estmulo experimental: Presentacin del diseo

22 Captulo 5 Figura 5-5 Cuadro de dilogo Mostrar el diseo

E Seleccione formato, marca, precio, sello e importe como factores.

ortogonal en una nica tabla.

Ejecucin del anlisis

24 Captulo 5 Figura 5-8 Datos de preferencias para el ejemplo de limpiadores de alfombras

Para introducir un caso de simulacin en el archivo del plan:

Repita estos pasos para todas las variables (factores).

simulacin se deben numerar de manera independiente a los dems casos.

Probabilidades de preferencias de las simulaciones

muestras de los rendimientos 4 y 8 procedentes del archivo de datos aatoxin.sav.

autoaccidents.sav. Archivo de datos hipotticos sobre las iniciativas de un analista de seguros

bankloan_binning.sav. Archivo de datos hipotticos que contiene informacin nanciera y

tambin las etiquetas A, B y C*.